ARTIGOS
NEURAIS EM PROBLEMAS DE
ADMINISTRAÇÃO
DE EMPRESAS
"Fernando C. de Almeida
Uma visão geral do potencial e do funcionamento
do uso de redes neurais
em administração,
através de exemplos e ilustrações mais acessíveis ao
leitor não-familiarizado
com conceitos de informática.
A global view of possibilities of neural networks in management, through
examples and illustrations to a reader not familiar with information technology.
PALAVRAS-CHAVE:
Redes neurais, apoioàdecisão, novas tecnologias de informa-ção, uso estratégico da infor-mação.
KEYWOROS:
Neural networks, decision
sup-port, new information techno-logies, strategic use of infor-mation.
·Pesquisador da Faculdade de Economia, Administração e Contabilidade da USP.
DESVENDANDO O USO DE REDES NEURAIS EM PROBLEMAS DE ADMINISTRAÇÃO DE EMPRESAS
As redes neurais estão propondo solu-ções interessantes a problemas de várias áreas de administração, como finanças, marketing, vendas e compras, ou mesmo recursos humanos. Apresentamos neste artigo alguns exemplos práticos e especu-lações sobre seu potencial. É uma tec-nologia recente, e diversas áreas de aplica-ção estão por ser exploradas.
As redes neurais estão provocando gran-de impacto em empresas americanas, co-mo o Chase Manhatan Bank' ou a Sears Mortgage-, permitindo-lhes obter reduções consideráveis de custos em análises de crédito.
O sistema da empresa Sears Mortgage permite-lhe avaliar automaticamente entre 60 e 70% dos pedidos de crédito, gerando assim redução de custos, uma vez que, em um mesmo espaço de tempo, um maior número de pedidos pode ser analisado usando-se no entanto o mesmo número de funcionários. Em conseqüência, sobra aos analistas mais tempo para analisar com maior cuidado pedidos que exijam um es-tudo mais profundo. Constata-se efetiva-mente um aumento de 4% no volume de crédito concedido, e um aumento do risco de apenas 2%.
O Chase Manhatan desenvolveu um sis-tema com redes neurais que permite ava-liar automaticamente a utilização de car-tões de crédito e identificar operações frau-dulentas a partir de cartões roubados. Esse sistema alcança um nível de precisão 30% superior ao dos métodos utilizados até então.
Novas tecnologias de informática fre-qüentemente tornam mais competitivas as empresas que delas souberam tirar provei-to antes da concorrência. Provavelmente é o caso do Chase ou da Sears.
Esses sistemas lhes permitem tanto re-duzir os custos quanto oferecer um servi-ço diferenciado aos clientes: o fato de uma empresa dispor de certas informações pos-sibilita-lhe aumentar o valor agregado de seu produto ou reduzir seus custos em re-lação àquelas que não possuem o mesmo tipo de informação. Utilizando o sistema baseado em redes neurais, o Chase poderá reduzir significativamente os custos oca-sionados por créditos não reembolsados. Esse sistema proporciona também um me-lhor serviço ao cliente, evitando rapida-mente que seu cartão roubado seja
utiliza-do. Essas aplicações, dentre outras, como previsão de vendas na área de markeiing' ou seleção de pessoal na área de recursos humanos', indicam o grande potencial des-sa tecnologia.
REDES NEURAIS OU SISTEMAS ESPECIALISTAS?
Quando falamos em redes neurais, es-tamos falando na criação de bases de co-nhecimentos, de sistemas inteligentes. Mas atenção! Não há semelhança alguma entre as redes neurais e os sistemas especialistas ou aplicações de inteligência artificial. São conceitos e princípios de funcionamento radicalmente diferentes. Os sistemas espe-cialistas procuram criar modelos do conhe-cimento e da experiência de um especia-lista. O processo de raciocínio do espe-cialista é muitas vezes representado pelo que se chamam regras de produção do tipo "secondição então ação'", Essas regras são cuidadosamente coletadas por um enge-nheiro do conhecimento por meio de en-trevistas com um especialista da área na qual se quer criar a base de conhecimento. A interpretação e a formalização do conhe-cimento do especialista têm sido a grande dificuldade de criação desses sistemas", Tenta-se formalizar um conhecimento que é muitas vezes subjetivo. Além do conhe-cimento formal, outros elementos, como intuição, sensibilidade ao problema etc. são utilizados pelo especialista. E dificilmen-te são formalizáveis por meio de regras".
Mas as redes neurais não precisam de um especialista para a criação de sua base de conhecimentos. Por um lado, não tra-balham com regras. Por outro, sua aquisi-ção de conhecimento é feita automatica-mente a partir de exemplos coletados em bancos de dados.
GARIMPAGEM DE INFORMAÇÃO EM BASES DE DADOS
A utilização de dados na criação de ba-ses de conhecimento é o conceito-chave das redes neurais. A pergunta que as redes neurais vêm responder é a seguinte: o que fazer com os gigabytes acumulados nos computadores das empresas? Resposta: criar bases de conhecimento. O uso eficaz dos dados disponíveis transformados em informação é um elemento crítico para o
©1995, Revista de Administração de Empresas / EAESP / FGV, São Paulo, Brasil.
1. ROGHESTER, J. B. New business uses for neurocom-puting. I/SAnalyser, v. 28, n. 2, Feb.1990.
2. SMITH, J. G. A Neural net-work-could it work for you?
Financiai Executive, n. 6, May/ June 1990, p. 26-30.
3. MAGNIER, J. P.Utilisation des réseaux de neurones pour le développement de systérnes d'aideàla décision. Montpellier: Intitut d'Administration d'Entre-prises, 1991, (mimeo).
4. ROGHESTER,J. B., Op. cit.
5. LEVINE, P., POMEROL, J.G.
Systemes interactifs d'Aide à
la décision et systemes expet-ts.Paris: Hermes, 1989.
6. RETOUR,p. Les systemes experts aux Etats-Unis. Greno-ble: Institut d'Études Gommer-ciales, 1984.
7. KOHONEN,T. An introduction to neural computing. Neural Networks, v. 1, 1988, p, 3-16.
8. ROCHESTER. J. B. Op. cit.
9. BENJAMIN, ~ I.,BLUN~ J.
Criticai it issues: lhe next 10 years Sloan Management
Re-view,v. 33, n. 4, Summer, 1992, p.7-20.
10. KEEN, P G. W. Decision support systems: the next de-cade. Decision Support Sys-tems, n. 3, 1987, p. 253-65.
48
A utilização de dados
na criação de bases de
conhecimento
é
o
conceito-chave das redes
neurais. A pergunta que
as redes neurais chegam
para responder
é
a
seguinte: o que fazer com
os
gigabytes
acumulados
nos computadores nas
empresas?
bom desempenho das atividades da em-presa. Sua importância aumenta a cada dia.
Na verdade, um dado se transforma em in-formação quando ganha um significado para seu utilizador. Senão, continua sendo simplesmente um dado. A rigor, a infor-mação é um dado tratado. Éesta a propos-ta da garimpagem de informação em ban-cos de dados através das redes neurais. Tratar os muitos gigabytes de dados de maneira eficaz a fim de que se tornem in-formação útil à tomada de decisão".
Com a evolução da tecnologia de in-formática, alcançou-se um estágio em que os dados se tornam facilmente acessíveis e manipuláveis por meio de sofisticados sis-temas de consulta, como os Executivo In-formation Systems (EIS), O próximo passo da tecnologia de informática é o uso des-ses dados de maneira ativa e não simples-mente sua disponibilidade e consulta por
Como qualquer sistema de informática, uma rede neural passa por duas etapas. Pri-meiro temos a etapa de criação da rede, isto é, a aquisição au!omática de conhecimen-to do problema. E o que se chama etapa de aprendizado. A próxima etapa é a utiliza-ção da rede e do seu conhecimento enquan-to especialista no assunenquan-to que aprendeu.
Podemos fazer uma analogia com o pro-cesso de aprendizado humano. Suponha-mos que queiraSuponha-mos aprender a identificar a origem de vinhos franceses pela sua de-gustação (bordeau, barganha, cõies-du-rhone
etc.), Para isso, pegamos algumas garrafas de cada tipo de vinho, digamos cinco de cada. Na primeira etapa, a de
aprendiza-meio de bancos de dados relacionais e EIS. Três pontos essenciais deverão ser explo-rados nos sistemas daqui em diante:
filtragem dos dados: a tecnologia de informática deve permitir filtrar o gran-de volume de dados existente nos ban-cos de dados das empresas e fornecer somente a informação necessária ao exe-cutivo, ao tomador de decisão;
criação de modelos: uma vez filtrados os dados necessários, a tecnologia de informática deve permitir a criação de modelos, de bases de conhecimento, a fim de aumentar a utilidade da informação obtida":
ajuda ativa: os sistemas de apoio à ativi-dade gerencial não deverão ser simples-mente sistemas de consulta, mas deve-rão passar a exercer uma função ativa na tomada de decisão, propondo soluções e respostas baseadas em conhecimento obtido nas bases de conhecimento";
Esses novos tipos de sistemas, que ofe-recem os recursos de filtragem, criação de modelos e principalmente uma ajuda ati-va ao tomador de decisão representarão uma evolução frente à maioria dos siste-mas passivos atuais, que permitem apenas e tão-somente análises de cenários. Os sis-temas à base de conhecimento e principal-mente as redes neurais vêm justamente enriquecer os sistemas tradicionais nesse sentido. Estas últimas servem como filtro dos dados, permitindo a identificação do dado útil. A partir da garimpagem dos dados, as redes neurais criam modelos do
do, experimentamos os vinhos um a um e tentamos identificá-los por seu paladar, per-fume etc. Em seguida verificamos a etiqueta para ver se acertamos. Se errarmos levaremos isso em conta e tentaremos aprender algo com nosso erro. Voltamos a prová-los a fim de ten-tar assimilar suas características. Por um pro-cesso iterativo, experimentamos e reex-perimentamos os vinhos até sermos capazes de identificar todas as garrafas que selecio-namos segundo sua origem. Acabou-se en-tão nossa etapa de aprendizado. O que acon-teceu no nosso cérebro? A sua rede de neu-rônios armazenou o conhecimento que nos permite distinguir os tipos de vinho. As re-des neurais aprendem exatamente da
DESVENDANDOOUSO DE REDES NEURAIS EM PROBLEMAS DE ADMINISTRAÇÃO DE EMPRESAS
conhecimento que não só permitem ao usuário apoiar sua tomada de decisão em um "consultor", UIn"especialista" em de-terminado assunto, mas também indicam caminhos de decisão.
Em termos práticos, as redes neurais são criadas por meio de pacotes, s(!ftwares que muitas vezes funcionam em microcom-putador. Por meio desses pacotes, o usuá-rio irá indicar a estrutura da sua rede para determinada aplicação.
As redes neurais têm sua origem em pesquisas neurológicas, e seu modelo de base é o cérebro humano". Como no cére-bro humano, as redes neurais possuem neurônios interconectados de modo que os dados os percorram. Sem dúvida, trata-se de um modelo simplificado, mas, corno no cérebro humano, esses neurônios transmi-tem informação através de sinapses ou conexões.
Em vez de trabalhar com regras explíci-tas como os sistemas especialisexplíci-tas, as re-des neurais utilizam critérios mais comple-xos e implícitos, baseados no aprendizado a partir de exemplos. Não há, no caso das redes neurais, uma codificação de progra-mas a fim de introduzir o conhecimento sobre um problema.
Então, por um processo iterativo chama-do processo de aprendizado, as redes neurais lêem os exemplos fornecidos so-bre um problema e criam assim um mode-lo de resolução. Elas são bem adaptadas a
ma maneira. Introduzimos exemplos daqui-lo que queremos que aprendam. Por um pro-cesso iterativo e automático, elas aprendem a resolver o problema. No caso de uso dessas redes neurais para a avaliação de riscos de inadimplência, osoftware lê os dados de em-presa por emem-presa de base de dados e apren-de a distinguir as inadimplentes das não-inadimplentes pelas suas características (endividamento, rentabilidade etc.).
Acabada a etapa de aprendizado, passa-mos à de utilização do conhecimento adqui-rido. No caso dos vinhos, deveremos agora ser capazes de distinguir os bordeaux dos barganhas, doscôtes-du-rhoneetc. Mesmo que não sejam dos mesmos produtores ou dos
RAE • v. 35 • n. 1 • Jan./Fev. 1995
Esses novos tipos de
sistemas oferecendo
recursos para filtragem,
criação de modelos e
principalmente uma ajuda
ativa ao tomador de
decisão serão uma
evolução em relação
à
maioria dos.sistemas
passivos atuais que
permitem apenas e
tão-somente análises de
cenários.
dois tipos de tarefas: reconhecimento de formas e generalização12•
No primeiro caso, fornecemos à rede exemplos de coisas que queremos que ela reconheça no futuro. Éo caso do seu uso na análise médica de imagens ou visão por computador. Por exemplo, o departamen-to de medicina da universidade da Ca-lifórnia desenvolveu um sistema que faz o diagnóstico de infarto do miocárdio. O sis-tema identifica corretamente 92% dos pa-cientes com infarto do miocárdio e 96% dos pacientes sem problema. Tal desempe-nho é significativamente superior a um diagnóstico feito por qualquer outro mé-todo usado".
O segundo tipo de tarefa é a
generaliza-mesmos anos. Éo que se espera da rede neural, uma vez que ela passou pela eta-pa de aprendizado.
Outro detalhe importante é o grau de conhecimento adquirido pela rede. Esse grau é na verdade função da quantidade de exemplos. Da mesma forma que nossa capacidade de identificar os vinhos é fun-ção da quantidade de vinho que fomos ca-pazes de degustar. A grande diferença en-tre nós e a rede é que nós atingiremos ra-pidamente nosso limite de fadiga, ou de embriaguez! Mas uma rede neural não se cansa, e pode ler tantos exemplos quantos a base de dados for capaz de fornecer.
11.KOHONEN,T Op. cit.
12. DUnA
s..
SHEKHAR, S.. WONG, WY Decision support in non-conservative domains: generalization with neuralnetworks. Paris: INSEAD, 1992, (Working Paper, 92-31).
13. BAXT,WG. Use of an arti-ficial neural network for data analysis in clinicai decision-making: The diagnosis of acute coronary occlusion.Neural
Com-putinç, v. 2, 1990, p. 480-89.
Os Estados Unidos não têm esse nome Folha de S. Paulo. E, cá entre nós, a exemplares aos domingos. A tiragem RANKINGEUA Exemplares à toa. Eles possuem a economia mais diferença entre eles e a Folha é pe- anual consome cerca de 100 mil
tone-poderosa do planeta, um sistema polí- quena. Nos últimos anos a Folha ladas de papel e mais de 1 milhão de 1. The New York Times 1.767.836
tico moderno e eficiente. São donos cresceu como nenhum outro jornal. litros de tinta. Esses números deixam 2. Los Angeles Times L502.120
de excelentes índices de produtividade Ela é hoje, de uma só vez, o maior americanos impressionados,
funcioná-3. Folha de S. Paulo 1.330563
e o nível de vida da população é um dos jornal de São Paulo, do país, o maior rios da Folha orgulhosos e leitores
melhores do mundo. veículo de mídia impressa do Brasil muito satisfeitos. E provam que, em 4. Detroit News and Free Press 1.172.769
Mas, engraçado, apesar de toda essa e, aos domingos, o maior jornal do matéria de jornais, a gente não deve 5. Washington Post 1.163.333
força econômica, os Estados Unidos Hemisfério e o 3º maior das Américas. nada aos Estados Unidos. Quem dera
6. Chicago Tribune 1.110552
só têm dois jornais maiores que a A Folha chega a imprimir 1.400.000 se fosse assim com a dívida externa.
100
milhões
de leitores a mais.
Um
PIB
1.270%
maior.
E
apenas
2
jornais maiores
Tabela 1: fndlceá flnancelr08
I
R2 " total exiglveVtotal ativo II
R4 " ativo circulante/passivo circulantei
i
R1 " vendas liquidas/ativo total
R3 " fluxo de caixa/vendas liquidas
R5 " receita bruta/total de juros
pagos
i
R6 " log (ativo total)14. DE ALMEIDA, F. C. L'Éva-luation des risques de défail-lance des entreprises àpartir des réseaux de neurones in-sérés dans les systemes d'aide
àla décision. Grenoble: Univer-sidade de Grenoble, École Su-périeure des Affaires, 1993, (Tese de doutorado).
ção. Nesse caso apresentam-se exemplos de determinado problema para que a rede seja capaz de generalizar quando situações similares se apresentarem. Um exemplo é a utilização de uma rede neural para a ava-liação de riscos de inadimplência de em-presas. Apresentamos exemplos (chama-dos fatos ou simplesmente da(chama-dos) de em-presas inadimplentes e outras não ina-dimplentes. A rede irá aprender a diferen-ciar os dois tipos de empresa a partir de exemplos fornecidos. Uma vez que ela ad-quiriu esse conhecimento, será capaz de classificar corretamente novas empresas ou então indicar o seu risco de inadimplência. A generalização é na verdade o tipo de aplicação mais corrente em administração. Em vez de avaliar riscos de inadimplência, a rede poderia ser treinada a fazer uma previsão de vendas ou dar sua opinião so-bre o interesse em contratar determinado candidato a certo cargo ou ainda indicar o interesse ou não em comprar determinada ação na Bolsa.
O processo de introdução dos dados é bastante simples, e a criação da base de conhecimentos não requer que o usuário conheça processos de aprendizado ou a tecnologia subjacente. O aprendizado é automático, e existem softwares de redes
52
neurais prontos até para microcomputa-dores. Eles estão evidentemente vazios no que diz respeito ao conhecimento, como é o caso de uma planilha eletrônica (Lotus, Excel etc.), onde o utilizador irá desenvol-ver sua própria aplicação. No caso das re-des neurais, cabe ao usuário fornecer os da-dos a serem levada-dos em conta e indicar à rede o que ele quer que ela aprenda.
UM EXEMPLO DE FERRAMENTA NO APOIO À
DECISÃO DE CRÉDITO
Nossos trabalhos de pesquisa nos leva-ram a explorar o uso de redes neurais como instrumentos de apoio à avaliação de ris-cos de inadimplência". Nesse caso as re-des neurais aprenderam a identificar o ris-co de que uma dada empresa venha a se tornar concordatária num futuro próximo (dois anos). Vejamos então como é o apren-dizado e o uso dessa rede.
O processo é dividido em duas etapas. A primeira é a etapa de aprendizado da rede, em que ela adquire o conhecimento do problema. A segunda etapa é o uso da rede, em que ela, já treinada, contendo o conhecimento do problema, é utilizada.
Primeira etapa
Inicialmente escolhemos variáveis que permitam avaliar uma empresa. índices fi-nanceiros são as variáveis normalmente utilizadas na criação de ferramentas de análise de riscos de inadimplência.
Um dos grupos de variáveis que esco-lhemos para a nossa pesquisa é mostrado na tabela l.
Selecionamos então um conjunto de empresas, inadimplentes e sãs e coletamos seis índices financeiros para cada uma de-las. Essa massa de dados será então utili-zada para fazer com que a rede aprenda a distinguir os dois grupos de empresas. Veja na tabela 2 como esses dados são organi-zados para serem apresentados à rede.
Cada linha é formada por uma série de dados de uma empresa inadimplente ou sã. Eles são apresentados à rede ainda sem conhecimento, que irá aprender a distin-guir as empresas boas das más. Esse apren-dizado se dará automaticamente, e o tem-po necessário será função de fatores como o número de exemplos que fornecemos, a estrutura da rede, e, sem dúvida, a veloci-dade do computador utilizado. Em nossa
DESVENDANDO O USO DE REDES NEURAIS EM PROBLEMAS DE ADMINISTRAÇÃO DE EMPRESAS
pesquisa, em um micro 486-50Mhz, uma rede levou aproximadamente oito minutos para aprender a distinguir corretamente 180 empresas de um grupo de 45 ina-dimplentes e 135 sãs.
Findo o aprendizado, a rede passa a guardar na sua estrutura o conhecimento necessário para distinguir empresas ina-dimplentes de sãs a partir dos seis índices financeiros usados no seu aprendizado.
Segunda etapa
Na verdade, queremos não apenas que a rede aprenda a distinguir as empresas inadimplentes das sãs, no grupo de empre-sas que lhe apresentamos, mas que seja ca-paz de generalizar seu conhecimento para identificar riscos de inadimplência de ou-tras empresas que não fizeram parte de seu aprendizado.
A rede treinada na primeira etapa é ca-paz de nos fornecer, a partir dos dados de uma empresa qualquer, seu risco de ina-dimplência. Começamos então a usar a rede como base de conhecimento, como instrumento de apoio à decisão.
Na pesquisa realizada em nosso traba-lho de doutoramento", as redes foram ca-pazes de classificar corretamente aproxi-madamente 70% das empresas de um gru-po de sãs e inadimplentes, dois anos antes da inadimplência, a partir de uma amos-tra de controle (uma amosamos-tra diferente da utilizada no processo de aprendizado).
Outro aspecto interessante da rede neural, é que, uma vez construída, ela não depende mais da base de dados que lhe deu origem. O conhecimento adquirido e que será consultado reside nas conexões entre os neurônios e não na base de dados. Éna verdade um conhecimento implícito e conciso, que é reconstituído pelo sistema a cada vez que o solicitamos. E isso de maneira tão rápida quanto nosso cérebro reconstitui seu conhecimento cada vez que o solicitamos. Não importa se a base usa-da continha um milhão ou apenas cem exemplos.
SEUS PRINCíPIOS
Um tipo de rede bastante usado é o de multicamadas (ver figura 1).Arede apren-de por um processo iterativo apren-de correção dos pesos que ligam os diferentes neu-rônios (Wij). Esses pesos são ajustados e
RAE· v.35 • n.1 • Jan./Fev.1995
reajustados até que ela aprenda todos os exemplos apresentados e seja capaz de for-necer o resultado esperado através de seus neurônios de saída. Está então criada a base de conhecimento. A rede está pronta para ser usada.
APLICAÇÕES EM REDES NEURAIS
As redes neurais têm encontrado bastan-te inbastan-teresse na área financeira. Uma vez que precisam de dados para serem criadas, a área financeira tem podido fornecê-los em abundância.
Os tipos mais comuns de aplicação ex-plorados atualmente são a previsão e a ava-liação de riscos. Nesse tipo de aplicação encontram-se as avaliações de crédito, de riscos de inadimplência de empresas, de riscos de seguros, riscos de hipotecas, ou mesmo avaliações de riscos de papéis fi-nanceiros. Essas aplicações têm mostra-do resultamostra-dos bastante satisfatórios quan-do comparaquan-dos aos obtiquan-dos, por exemplo, por métodos estatísticos. Éo caso dos re-sultados obtidos em nossas pesquisas", em que as redes neurais conseguem às vezes superar o desempenho obtido por méto-dos estatísticos na avaliação de riscos de inadimplência. Os resultados obtidos pela rede se mostraram mais estáveis que esses últimos. A avaliação dos riscos de ina-dimplência de uma empresa por parte de um tomador de decisão é função do risco que ele está disposto a assumir. As redes se mostraram mais estáveis que o método
15. Idem, ibidem.
16. Idem, Ibidem.
17. HAWLEY,D., JOHNSON,J. D., RAINA, D. Artificial neural sys-tems: a new tool for financiai decision-making. Financiai Ana-/yst Journal, Nov.lDec. 1990, p.63-72.
54
estatístico quando se avaliam diferentes níveis de risco.
Um tipo de aplicação que evidentemen-te desperta bastanevidentemen-te inevidentemen-teresse é a previsão de cotações na Bolsa. No entanto, os resul-tados obtidos mostram que não será fácil obter algo de interessante nesse campo mesmo com redes neurais". Em princípio, em um mercado eficiente não é possível fazer previsões, o que está de acordo com os resultados obtidos pelas redes neurais. Mas também é possível que não se tenham usado os dados adequados. Tem-se por hábito acumular e tratar somente dados quantitativos. Mas o interessante das redes neurais é também a sua capacidade de tra-tar dados qualitativos. Pode-se usar, como exemplo de dados qualitativos, o setor de atividade da empresa, ou então o tipo de produto vendido. Pode-se até mesmo usar variáveis menos acessíveis, como as carac-terísticas de gestão dos responsáveis pela empresa, a propensão da
direção a assumir riscos, ou a capacidade de ino-vação da empresa, sua flexibilidade quanto a mudanças etc. No en-tanto, esse tipo de in-formação não é atu-almente utilizado, e os sistemas têm-se limitado a dados quantitativos. Isso ocorre muito prova-velmente por uma questão de falta de dis-ponibilidade de dados.
A área financeira oferece outras inúmeras oportunidades para o uso de redes neurais. Por exemplo, a gestão de portfólios. Uma instituição financeira leva em conta inúme-ros tipos de papéis financeiinúme-ros, ações, op-ções etc. Um sistema baseado em redes neurais poderia ser usado para levar em conta as características desses papéis, con-siderando riscos, valores conjunturais, de-cisões do governo, flutuações do mercado etc. As redes neurais são bastante adapta-das a problemas não-estruturados, em que as relações entre as variáveis ou mesmo sua importância não é conhecida. Elas permi-tem que se trabalhe com dados incom-pletos, se não estiverem todos disponíveis, ou mesmo com a existência de
informa-ções incorretas. Aprenderão a ignorá-las. Uma área ainda pouco explorada é a de marketing e vendas, em que existem apli-cações potencialmente bastante interessan-tes. Por exemplo, as redes neurais podem ser utilizadas para fazer simulações do comportamento do consumidor face a no-vos produtos. Uma rede poderia ser trei-nada a partir das características de produ-tos já lançados no mercado, em que se pôde medir o grau de sucesso e o volume de vendas obtido. Uma vez criada, a rede po-deria ser usada para simular o resultado com novos produtos, a partir de suas ca-racterísticas. O interessante é que seria pos-sível introduzir características quantitati-vas não só do produto, mas também do mercado ou da conjuntura do país, ou de uma região, em determinado momento.
Outra aplicação em marketing poderia ser simplesmente a simulação de vendas para um próximo período em
fun-ção do resultado obtido no período anterior, das ca-racterísticas esperadas
para o mercado no fu-turo etc.
Ainda outra po-deria ser o uso de uma rede neural para sugerir pro-dutos mais adapta-dos ao perfil de cada cliente. Ela se-ria treinada a asso-ciar perfis de clientes a produtos da empresa. Poder-se-ia assim esperar, por um lado, a obtenção de um maior grau de satisfação do cliente e, por outro, apresen-tar produtos mais direcionados ao cliente em questão. Esse tipo de aplicação pode ser encarado como um sistema de apoio especialista, em que um vendedor menos experimentado ou menos informa-do a respeito informa-dos produtos da empresa pode sugerir itens mais adequados ao cliente tanto quanto um vendedor mais ex-perimentado.
No caso de atividades em que há uma grande velocidade de mudança ou atuali-zação do portfólio de produtos, esse tipo de sistema permitiria à empresa fazer com que o vendedor passasse a considerar os novos produtos de maneira mais rápida,
DESVENDANDO O USO DE REDES NEURAIS EM PROBLEMAS DE ADMINISTRAÇÃO DE EMPRESAS
uma vez que, atualizada a base de conhe-cimentos, eles passariam a ser imediata-mente sugeridos. O sistema também seria interessante para aqueles produtos fre-qüentemente esquecidos pelo vendedor. Caso fossem do interesse do cliente, se-riam igualmente sugeridos. Além disso, o sistema poderia incorporar os interesses de venda da empresa.
Quanto às simulações, previsões ou su-gestões, as redes neurais são uma tecno-logia interessante na área demarketing. Há que se levar em conta também o fato de que sua atualização, isto é, a aquisição de novos conhecimentos, é bastante facilita-da e rápifacilita-da, uma vez que o aprendizado é automático. Basta entrar com as novas ca-racterísticas do novo produto ou da nova situação de mercado e refazer o processo de aprendizado.
PRIMEIROS PASSOS
Para o desenvolvimento de sistemas à base de redes neurais existem diversos pa-cotes de microcomputadores voltados es-pecificamente para esse fim (Brainrnaker, Neuroshell, Explorer, Nestor etc.). Há vá-rios métodos de aprendizado de redes neurais. Pode-se começar pelo método de retropropagação, pois é eficiente. O segun-do elemento indispensável é a obtenção de dados, que podem ser quantitativos ou qualitativos. O terceiro passo é construir a rede.
A dificuldade em construir a rede está no grande número de parâmetros utiliza-dos em sua construção. Esses parâmetros, como o número de neurônios, o número de camadas intermediárias, os tipos de variáveis etc., irão determinar a qualidade da rede construída. A quadro 1 mostra os principais passos pelos quais se deve pas-sar na identificação de uma estrutura de rede para uma aplicação qualquer.
Épossível, e mesmo provável, que não se consiga identificar a melhor rede, mas sim um grupo de redes que se distinguem das outras. Pode-se então formar um portfólio de redes no qual um tomador de decisão poderá basear sua decisão.
No caso de aplicação em áreas onde o conhecimento evolui, é necessário retreinar a rede. Por exemplo, no caso de avaliações financeiras, o mercado evolui, e o que era válido em determinado momento pode não
Quadro 1: Passos na construÇão de uma rede ."••••.••
Afim de examinar um número razOável de parâmetros, é Interessante construirl/fl1 Plano e~p8rimental para definir .uma bateria de testes. Os passos são os seguintes:
1.definir os parâmetros a explorar: método de aprendizado, variaçilodo número de neurOnios, número. d8.camadas, grupos de variáveis, maneira de introduzirosr.lados. Asrl!d~ ne.ur,is mostram um ~omdesempenho·quandQ são utilizados dadoshlst6rl-coso Pode-se entAo analisar formas de introduzir os dados: diferença entre os valores de dois anos, ou variação portentual etc.;
2. quando se tem um número reduzido de dados, pOde ser importante efetuar um número significativo de testes com diferentes subamostras dos d3dos a fim de validar os resuf~ tados obtidos. Estrutura-se enlAo um plano experimental, determinando os testes.a serem feitos;
3,o próximo passoéa construçilo das redes. Esta pode ser uma etapa laboriosa, pois, multiplicando-se o número de parâmetros a explorar e o número de subamostras a utilizar, o número de redes a criar e testar pode ser bastante grande. Em geral os
softwares de redes neurais permitem que se construam aplicativos para fazer uma bateria de testes de maneira automática. Nesta fase torna-se necessário o conhecimen-to da alguma. linguagem deprogf'llmaçilo.e umeerto tempo paradesenvofver esses aplicativos;
4. o próximo passo éo teste das redes, istoé.verifica-se sua capacidade em responder corretamente ao problema proposto. Por exemplo, no caso de uma rede treinada para fazer avaliações de riscos de Inadimplência, testa-se neste. momento sua capacidade para avalian;orretamente essesrisços em uma amostra de controle.
5. o último passoéa comparação das diferentes redes a fim de escolher a mais adequada.
significar nada em tempos futuros. Deve-se então retomar o processo de aprendi-zado.:
CONCLUSÃO
As redes neurais têm mostrado resulta-dos positivos em um tempo mais curto que técnicas de criação de bases de conheci-mentos como os sistemas especialistas. Sua fácil utilização, sua capacidade em tratar problemas pouco ou nada estruturados, com dados incompletos ou com incorreções são características originais e interessantes. Éuma técnica que irá evoluir bastante e sem dúvida permeará nosso dia-a-dia quer seja nos sistemas de administração e nos sistemas de apoio à decisão, quer seja em aplicações completamente diversas, como robótica, diagnósticos médicos, reconheci-mento de caracteres ou simulação da vi-são por computador. A criação das redes neurais é uma tarefa bem mais simples que a criação de um sistema especialista, e bem mais flexível que uma técnica estatística. Essa flexibilidade lhes permite fazer análi-ses mais finas, pouco perceptíveis por téc-nicas tradicionais ou dificilmente forma-lizáveis a partir do conhecimento subjeti-vo de um especialista. O
Agradecemos ao CNPq (Con-selho Nacional de Desenvolvi-mento Cientffico e Tecnológico) pelo apoio que tem dado às nossas pesquisas. Agradece-mos igualmente à FEA/USP por nos acolher como pesquisador. Agradecemos José Tolovi Jr., professor da EAESP/FGV, pelas sugestões na elaboração des-te des-texto.
